DE102017008158A1 - Numerical control - Google Patents
Numerical control Download PDFInfo
- Publication number
- DE102017008158A1 DE102017008158A1 DE102017008158.1A DE102017008158A DE102017008158A1 DE 102017008158 A1 DE102017008158 A1 DE 102017008158A1 DE 102017008158 A DE102017008158 A DE 102017008158A DE 102017008158 A1 DE102017008158 A1 DE 102017008158A1
- Authority
- DE
- Germany
- Prior art keywords
- machining
- tool
- result
- workpiece
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4093—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine
- G05B19/40931—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by part programming, e.g. entry of geometrical information as taken from a technical drawing, combining this with machining and material information to obtain control information, named part programme, for the NC machine concerning programming of geometry
- G05B19/40932—Shape input
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32416—Tool information for program to use and needed timing, adapt timing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33321—Observation learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49307—Learn, learn operational zone, feed, speed to avoid tool breakage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Numerical Control (AREA)
Abstract
Eine numerische Steuerung, die eine Werkzeugmaschine steuert, erfasst Werkzeuginformationen umfassend eine Form eines Werkzeugs, eine Bearbeitungsbedingung in der Bearbeitung und Informationen in Bezug auf ein Bearbeitungsergebnis eines Werkstücks nach der Bearbeitung. Eine maschinelle Lernvorrichtung führt maschinelles Lernen zur Tendenz der Informationen in Bezug auf ein Bearbeitungsergebnis bezüglich der Werkzeuginformationen und der Bearbeitungsbedingung auf der Basis der Werkzeuginformationen und der als Eingabedaten verwendeten Bearbeitungsbedingung und auf der Basis der Informationen in Bezug auf als ein als Lehrerdaten verwendetes Bearbeitungsergebnis durch, um ein Lernmodell zu bilden. Die maschinelle Lernvorrichtung ermittelt, ob ein Bearbeitungsergebnis gut ist oder nicht, durch Verwenden des Lernmodells auf der Basis der Werkzeuginformationen und der Bearbeitungsbedingung, bevor die Werkzeugmaschine ein Werkstück bearbeitet.A numerical controller, which controls a machine tool, acquires tool information including a shape of a tool, a machining condition in machining, and information related to a machining result of a workpiece after machining. A machine learning device performs machine learning on the tendency of the information regarding a machining result with respect to the tool information and the machining condition based on the tool information and the machining condition used as input data, and on the basis of the information relating to a machining result used as the teacher data to form a learning model. The machine learning device determines whether a machining result is good or not by using the learning model based on the tool information and the machining condition before the machine tool machines a workpiece.
Description
HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION
1. Gebiet der Erfindung1. Field of the invention
Die vorliegende Erfindung betrifft eine numerische Steuerung und betrifft insbesondere eine numerische Steuerung, die einen Bearbeitungsfehler bewirkenden Werkzeugzustand lernt.The present invention relates to a numerical controller, and more particularly relates to a numerical controller that learns a tool-condition causing machining error.
2. Beschreibung des Stands der Technik2. Description of the Related Art
Bei einem in der Bearbeitung verwendeten normalen Werkzeug wird eine Klinge abgenutzt, der Schnittwiderstand nimmt mit dem Verstreichen der Bearbeitungszeit zu und das Werkzeug bricht gegebenenfalls. Ferner nimmt die Bearbeitungsgenauigkeit mit dem Fortschritt der Abnutzung ab und es kann somit die für ein Werkstück erforderliche vorgegebene Bearbeitungsgenauigkeit nicht eingehalten werden. Um solche Probleme mit Werkzeugen zu vermeiden, wird hauptsächlich zu den folgenden Zeitpunkten ermittelt, ob ein Werkzeug sein Lebensdauerende erreicht hat, und es wird ein Werkzeugwechsel durchgeführt, wenn ermittelt wird, dass das Werkzeug sein Lebensdauerende erreicht hat.
- – Zu einem Zeitpunkt, zu dem die Zahl von Malen oder die Zeit, über die das Werkzeug verwendet wird, eine bestimmte Zahl überschreitet (Lebensdauerwert).
- – Zu einem Zeitpunkt, zu dem durch Messen der Werkzeuglänge festgestellt wird, dass eine Abnutzungsmenge eine bestimmte Zahl überschreitet.
- – Zu einem Zeitpunkt, zu dem ein Bediener durch optisches Prüfen des Werkzeugs oder eines bearbeiteten Werkstücks ermittelt, dass das Werkzeug das Lebensdauerende erreicht hat.
- – Zu einem Zeitpunkt, zu dem ein Brechen oder Absplittern durch Prüfen einer Last einer Spindel festgestellt wird.
- - At a time when the number of times or the time over which the tool is used exceeds a certain number (lifetime value).
- At a time when it is determined by measuring the tool length that a wear amount exceeds a certain number.
- At a time when an operator determines that the tool has reached the end of life by visually inspecting the tool or a machined workpiece.
- At a time when breakage or chipping is detected by checking a load of a spindle.
Als das Verfahren nach dem Stand der Technik zum Ermitteln, ob ein Werkzeug das Lebensdauerende erreicht hat oder nicht, offenbart beispielsweise die
Das zuvor beschriebene Verfahren zum Ermitteln einer Werkzeuglebensdauer weist aber verschiedene Probleme auf. Beim Verfahren zum Ermitteln einer Werkzeuglebensdauer auf der Basis der Zahl von Malen oder der Zeit, über die das Werkzeug verwendet wurde, wird allgemein ein Lebensdauerwert durch mehr als eine ausreichende Zahl von Malen der Verwendung oder der Verwendungszeit festgelegt, um Bearbeitungsfehler oder ein Brechen zu vermeiden, so dass das Werkzeug oft noch verwendbar ist und Kosten entstehen. Das Verfahren zum Ermitteln einer Werkzeuglebensdauer auf der Basis der Werkzeuglänge eines Werkzeugs weist insofern ein Problem auf, als Brüche eines Spans nicht festzustellen sind, wenn eine Vielzahl von Klingen vorhanden sind oder eine Klinge am Ende angeordnet ist. Ferner kann bei einem Werkzeug, dessen Lebensdauer auf der Basis der Abnutzung in einem anderen Abschnitt als der Endabschnitt ermittelt wird, wie etwa bei einem Gewindebohrwerkzeug, eine Werkzeuglebensdauer durch Messen des Endabschnitts nicht ermittelt werden. Beim Verfahren zum Ermitteln einer Werkzeuglebensdauer auf der Basis der optischen Prüfung eines bearbeiteten Werkstücks durch einen Bediener muss ein Bediener mit technischem Wissen den Vorgang durchführen und daher ist dieses Verfahren nicht für einen unbeaufsichtigten Betrieb geeignet. Beim Verfahren zum Ermitteln einer Werkzeuglebensdauer durch Prüfen einer Spindellast wird ein leichtes Absplittern kaum zu Änderungen der Spindellast führen, was Schwierigkeiten in der genauen Erfassung bewirkt.However, the above-described method for determining a tool life has various problems. In the method of determining a tool life based on the number of times or the time that the tool was used, a lifetime value is generally set by more than a sufficient number of times of use or use time to avoid machining errors or breakage so that the tool is often still usable and costs arise. The method for determining tool life based on the tool length of a tool has a problem in that fractures of a chip can not be detected when a plurality of blades are present or a blade is disposed at the end. Further, in a tool whose service life is determined on the basis of wear in a portion other than the end portion, such as a tapping tool, tool life can not be determined by measuring the end portion. In the method for determining a tool life based on the optical inspection of a machined workpiece by an operator, an operator with technical knowledge must perform the operation, and therefore, this method is not suitable for unattended operation. In the method of determining a tool life by checking a spindle load, a slight chipping will hardly lead to changes in the spindle load, which causes difficulty in accurate detection.
Ferner wird beim zuvor beschriebenen Verfahren zum Ermitteln einer Werkzeuglebensdauer wie in der
ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION
Eine Aufgabe der vorliegenden Erfindung besteht im Bereitstellen einer numerischen Steuerung, die ein hochgenaues Ermitteln der Werkzeuglebensdauer ermöglicht.It is an object of the present invention to provide a numerical controller that enables highly accurate tool life determination.
In der vorliegenden Erfindung werden die zuvor beschriebenen Probleme durch Bereitstellen einer numerischen Steuerung mit einer Funktion zum Lernen einer Beziehung zwischen einer Bearbeitungsbedingung und einem Bearbeitungsergebnis durch überwachtes Lernen und Verbessern der Eingabedaten auf der Basis des ermittelten Lernergebnisses gelöst. Die numerische Steuerung gemäß der vorliegenden Erfindung kann einen Bearbeitungsbetrieb fortsetzen, während ein gewisses Qualitätsniveau durch Verbessern von Eingabedaten auf der Basis von Lernergebnissen gehalten wird.In the present invention, the above-described problems are solved by providing numerical control having a function of learning a relationship between a machining condition and a machining result by supervised learning and improving the input data based on the determined learning result. The numerical controller according to the present invention may include a While maintaining some level of quality by improving input data based on learning outcomes.
Eine numerische Steuerung gemäß der vorliegenden Erfindung steuert eine Werkzeugmaschine, die ein Werkstück mit einem Werkzeug bearbeitet, und umfasst: eine Formdaten-Erfassungseinheit, die Werkzeuginformationen umfassend eine Form des Werkzeugs erfasst; eine Bearbeitungsbedingungs-Erfassungseinheit, die eine Bearbeitungsbedingung in der Bearbeitung des Werkstücks umfasst; eine Bearbeitungsergebnis-Erfassungseinheit, die Informationen in Bezug auf ein Bearbeitungsergebnis des Werkstücks nach der Bearbeitung des Werkstücks erfasst; eine maschinelle Lernvorrichtung, die maschinelles Lernen zur Tendenz der zu einem Bearbeitungsergebnis zugehörigen Informationen in Bezug auf die Werkzeuginformationen und die Bearbeitungsbedingung auf der Basis der als Eingabedaten verwendeten Werkzeuginformationen und der Bearbeitungsbedingung und auf der Basis der Informationen in Bezug auf ein als Lehrerdaten verwendetes Bearbeitungsergebnis durchführt, um ein Lernmodell zu bilden. Die maschinelle Lernvorrichtung ist zum Ermitteln, ob ein Bearbeitungsergebnis gut ist oder nicht, durch Verwenden des gebildeten Lernmodells auf der Basis der von der Formdaten-Erfassungseinheit erfassten Werkzeuginformationen und der von der Bearbeitungsbedingungs-Erfassungseinheit erfassten Bearbeitungsbedingung, bevor die Werkzeugmaschine das Werkstück bearbeitet, ausgebildet.A numerical controller according to the present invention controls a machine tool that processes a workpiece with a tool, and includes: a shape data acquiring unit that acquires tool information including a shape of the tool; a machining condition detecting unit that includes a machining condition in the machining of the workpiece; a machining result detecting unit that acquires information regarding a machining result of the workpiece after machining the workpiece; a machine learning device that performs machine learning on the tendency of the information related to a machining result with respect to the tool information and the machining condition on the basis of the tool information used as the input data and the machining condition, and on the basis of the information relating to a machining result used as the teacher data; to form a learning model. The machine learning device is configured to determine whether a machining result is good or not by using the formed learning model based on the tool information acquired by the shape data acquiring unit and the machining condition detected by the machining condition acquiring unit before the machine tool processes the workpiece.
Die maschinelle Lernvorrichtung kann ein Lernmodell durch ein mehrschichtiges neuronales Netz bilden.The machine learning device may form a learning model through a multi-layered neural network.
Somit weist die numerische Steuerung gemäß der vorliegenden Erfindung die zuvor beschriebene Konfiguration auf. Dementsprechend ist eine Verringerung der Werkzeugkosten aufgrund der Verbesserung des Ermittelns der Werkzeuglebensdauer zu erwarten und es kann ein unbeaufsichtigter Dauerbetrieb unterstützt werden.Thus, the numerical controller according to the present invention has the above-described configuration. Accordingly, a reduction in tooling costs due to the improvement in tool life determination is to be expected, and unattended, continuous operation can be promoted.
KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMDETAILED DESCRIPTION OF THE PREFERRED EMBODIMENT
In der Lernphase verwendet die in die numerische Steuerung gemäß der vorliegenden Erfindung integrierte maschinelle Lernvorrichtung als Eingabedaten Bearbeitungsbedingungen wie Werkzeuginformationen, ein Material eines Werkstücks, eine Schnittgeschwindigkeit, eine Drehzahl einer Spindel, eine Menge der Schnitttiefe und einer Schnittmenge sowie ein Bearbeitungsergebnis wie ein Maßfehler eines auf der Basis der Bearbeitungsbedingungen bearbeiteten Werkstücks zum Lernen einer Tendenz des Bearbeitungsergebnisses in Bezug auf die Bearbeitungsbedingungen.In the learning phase, the machine learning apparatus incorporated in the numerical controller according to the present invention uses as an input data processing conditions such as tool information, a material of a workpiece, a cutting speed, a rotational speed of a spindle, an amount of the cutting depth and an intersection, and a machining result such as a dimensional error of one the basis of the machining conditions machined workpiece for learning a tendency of the machining result in relation to the machining conditions.
In der Betriebsphase liefert die numerische Steuerung gemäß der vorliegenden Erfindung Bearbeitungsbedingungen als Eingabedaten für die maschinelle Lernvorrichtung. Die maschinelle Lernvorrichtung gibt einen vorhergesagten Wert eines Bearbeitungsergebnisses in Bezug auf die eingegebenen Bearbeitungsbedingungen in Bezug auf die Tendenz des Bearbeitungsergebnisses in Bezug auf die Bearbeitungsbedingungen, das in der Lernphase gelernt wird, aus. Anschließend bezieht sich die numerische Steuerung auf den von der maschinellen Lernvorrichtung ausgegebenen vorhergesagten Wert eines Bearbeitungsergebnisses, um zu ermitteln, ob ein Fehler in einer anschließend durchzuführenden Bearbeitung auftreten wird.In the operating phase, the numerical control according to the present invention provides Processing conditions as input data for the machine learning device. The machine learning device outputs a predicted value of a machining result with respect to the input machining conditions with respect to the tendency of the machining result with respect to the machining conditions learned in the learning phase. Subsequently, the numerical controller refers to the predicted value of a machining result output from the machine learning device to determine whether an error will occur in a subsequent machining operation.
In der numerischen Steuerung gemäß der vorliegenden Erfindung können die Lernphase und die Betriebsphase der maschinellen Lernvorrichtung zu vollständig verschiedenen Zeitpunkten oder parallel ausgeführt werden. Beispielsweise kann, nachdem der maschinellen Lernvorrichtung ermöglicht wird, ausreichend ein Lernen in der Lernphase auszuführen, der Betrieb durch Verwenden ausschließlich der Lernergebnisse ohne Ausführen des neuen Lernens, das heißt durch wiederholtes Verwenden der gleichen Daten, in der aktuellen Bearbeitung durch eine Werkzeugmaschine durchgeführt werden. Alternativ kann der Betrieb so durchgeführt werden, dass genauere Beurteilungswerte während der Bearbeitung gesucht (gelernt) werden.In the numerical control according to the present invention, the learning phase and the operation phase of the machine learning device can be executed at completely different timings or in parallel. For example, after the machine learning apparatus is allowed to sufficiently perform learning in the learning phase, the operation can be performed by using only the learning results without performing the new learning, that is, by repeatedly using the same data in the current machining by a machine tool. Alternatively, the operation may be performed so that more accurate judgment values are searched (learned) during the processing.
Ferner kann die maschinelle Lernvorrichtung in der numerischen Steuerung einer Werkzeugmaschine eingebaut sein oder kann in einen mit der numerischen Steuerung verbundenen PC eingebaut sein.Further, the machine learning device may be incorporated in the numerical control of a machine tool or may be incorporated into a PC connected to the numerical controller.
Wie in
Anschließend erfasst die numerische Steuerung gemäß der vorliegenden Erfindung Ausgabedaten W, die von der maschinellen Lernvorrichtung ausgegeben werden, wenn die als Eingabedaten dienenden Bearbeitungsbedingungen in das mehrschichtige neuronale Netz eingegeben werden, als ein vorhergesagtes Bearbeitungsergebnis. Ferner erfasst, nachdem ein Werkstück auf der Basis der in das mehrschichtige neuronale Netz eingegebenen Bearbeitungsbedingungen bearbeitet ist, die numerische Steuerung das Maß des bearbeiteten Werkstücks, die Zahl und die Größe der Schneidwerkmarken u. Ä. als ein Bearbeitungsergebnis und berechnet einen Fehler D zwischen dem erfassten Bearbeitungsergebnis und einer Auslegung als Lehrerdaten. Die numerische Steuerung kann automatisch ein Maß des bearbeiteten Werkstücks, die Zahl und die Größe der Schneidwerkmarken u. Ä. beispielsweise durch Steuern eines Messinstruments messen oder ein Bediener kann die Messung des bearbeiteten Werkstücks durchführen und das gemessene Ergebnis in der numerischen Steuerung eingeben.Subsequently, the numerical controller according to the present invention detects output data W output from the machine learning device when the processing conditions serving as input data are input to the multilayer neural network as a predicted processing result. Further, after a workpiece is machined on the basis of the machining conditions input to the multilayered neural network, the numerical controller detects the dimension of the machined workpiece, the number and size of the cutter marks, and the like. Ä. as a machining result, and calculates an error D between the detected machining result and a design as teacher data. The numerical control can automatically determine a measure of the machined workpiece, the number and size of the cutting tool marks and the like. Ä. for example, by controlling a measuring instrument or an operator can perform the measurement of the machined workpiece and enter the measured result in the numerical controller.
Anschließend ermöglicht die numerische Steuerung gemäß der vorliegenden Erfindung der maschinellen Lernvorrichtung das Durchführen des maschinellen Lernens mit den Bearbeitungsergebnissen in Bezug auf die Bearbeitungsbedingungen auf der Basis der als Eingabedaten dienenden Bearbeitungsbedingungen, des vom mehrschichtigen neuronalen Netz ausgegebenen vorhergesagten Bearbeitungsergebnisses und des Fehlers D (Lehrerdaten) zwischen dem als das erfasste Bearbeitungsergebnis dienende Maß des bearbeiteten Werkstücks und der Auslegung zum Bilden eines Lernmodells. Da das Lernverfahren (Backpropagation o. Ä.) bereits als Verfahren nach dem Stand der Technik in Bezug auf ein neuronales Netz wohlbekannt ist, wird in der vorliegenden Patentschrift auf eine ausführliche Beschreibung hiervon verzichtet. Das Lernen wird durchgeführt, bis sich ein Abstand zwischen Ausgabedaten und einem Bearbeitungsergebnis innerhalb eines vorgegebenen bestimmten Werts eingestellt hat. Der Abstand wird durch Verwenden einer Verlustfunktion berechnet. Als ein Beispiel der Verlustfunktion kann ein quadratischer Fehler (L2-Verlust) wie in der folgenden Formel (1) ausgedrückt verwendet werden, wenn beispielsweise eine Fokussierung auf einen Fehler zwischen einem Maß eines bearbeiteten Werkstücks und einem Auslegungswert erfolgt. Ferner kann, wenn eine Fokussierung auf das Vorhandensein einer Schneidwerkmarke erfolgt, eine logische Funktion verwendet werden, die lediglich ausdrückt, ob eine Schneidwerkmarke vorhanden ist oder nicht. Ferner kann eine beliebige Funktion verwendet werden, sofern die Funktion ausreichend einen Verlust ausdrücken kann.
Wie in
Anschließend erfasst die numerische Steuerung die Ausgabedaten W, die von der maschinellen Lernvorrichtung ausgegeben werden, wenn die als Eingabedaten dienenden Bearbeitungsbedingungen in das mehrschichtige neuronale Netz eingegeben werden, als ein vorhergesagtes Bearbeitungsergebnis (ein Fehler eines vorhergesagten Maßes eines bearbeiteten Werkstücks in Bezug auf eine Auslegung, das Vorhandensein einer Schneidwerkmarke usw.).Then, the numerical controller detects the output data W output from the machine learning device when the machining conditions serving as input data are input to the multilayer neural network as a predicted machining result (an error of a predicted dimension of a machined workpiece with respect to a design). the presence of a cutter mark, etc.).
Anschließend ermittelt, falls ermittelt wird, dass ein Ergebnis der Bearbeitung schlecht ist, wenn das als Ausgabedaten dienende vorhergesagte Bearbeitungsergebnis mit einem vorgegebenen Schwellenwert verglichen wird (ein Fehler eines vorhergesagten Maßes eines bearbeiteten Werkstücks in Bezug auf eine Auslegung ist gleich einem vorgegebenen bestimmten Wert oder größer als dieser, die Zahl von Schneidwerkmarken ist gleich einer vorgegebenen Zahl oder größer als diese, die Größe einer Schneidwerkmarke ist gleich einer vorgegebenen Größe oder größer als diese usw.), die numerische Steuerung gemäß der vorliegenden Erfindung, dass das Bearbeitungsergebnis ein Bearbeitungserfassungsmuster ist, und fordert einen Bediener auf, einen Werkzeugwechsel durchzuführen.Then, if it is determined that a result of the processing is bad, when the predicted processing result serving as the output data is compared with a predetermined threshold value (an error of a predicted amount of a machined workpiece with respect to a design is equal to a predetermined specific value or greater as such, the number of cutter marks is equal to or larger than a predetermined number, the size of a cutter mark is equal to or larger than a predetermined size, etc.), the numerical controller according to the present invention that the machining result is a machining detection pattern, and prompts an operator to perform a tool change.
Die numerische Steuerung
Die numerische Steuerung
Die Formdaten-Erfassungseinheit
Die Eingabebedingungs-Beobachtungseinheit
Die Eingabebedingungs-Speichereinheit
Die Einheit zum Berechnen eines vorhergesagten Bearbeitungsergebnisses
Nachdem die numerische Steuerung
Die Bearbeitungsergebnis-Beobachtungseinheit
Die Bearbeitungsergebnis-Speichereinheit
Die Vergleichseinheit
In der Betriebsphase führt die numerische Steuerung
Die Formdaten-Erfassungseinheit
Die Eingabebedingungs-Beobachtungseinheit
Die Eingabebedingungs-Speichereinheit
Die Einheit zum Berechnen eines vorhergesagten Bearbeitungsergebnisses
Die zuvor beschriebenen Betriebsvorgänge durch die Formdaten-Erfassungseinheit
Die Werkzeugwechsel-Ermittlungseinheit
Auf der Basis des Ermittlungsergebnisses der Werkzeugwechsel-Ermittlungseinheit
Die Ausführungsform der vorliegenden Erfindung wurde bisher beschrieben. Die vorliegende Erfindung ist aber nicht auf das zuvor beschriebene Beispiel der Ausführungsform beschränkt und kann durch Vornehmen entsprechender Änderungen ausgeführt werden.The embodiment of the present invention has been described so far. However, the present invention is not limited to the above-described example of the embodiment, and can be carried out by making corresponding changes.
Beispielsweise ist das Beispiel unter Verwendung des mehrschichtigen neuronalen Netzes als die maschinelle Lernvorrichtung
Ferner müssen wie in Bezug auf
Ferner sind der Betrieb der numerischen Steuerung
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- JP 2000-198047 [0003, 0005, 0005] JP 2000-198047 [0003, 0005, 0005]
Claims (2)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016173761A JP6557198B2 (en) | 2016-09-06 | 2016-09-06 | Numerical controller |
JP2016-173761 | 2016-09-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017008158A1 true DE102017008158A1 (en) | 2018-03-08 |
Family
ID=61197747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017008158.1A Pending DE102017008158A1 (en) | 2016-09-06 | 2017-08-29 | Numerical control |
Country Status (4)
Country | Link |
---|---|
US (1) | US10295986B2 (en) |
JP (1) | JP6557198B2 (en) |
CN (1) | CN107797516B (en) |
DE (1) | DE102017008158A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019211656A1 (en) * | 2019-08-02 | 2021-02-04 | Siemens Aktiengesellschaft | Determination of the degree of wear of a tool |
EP3825794A1 (en) * | 2019-11-21 | 2021-05-26 | pro-micron GmbH | Method for monitoring and / or predicting machining processes and / or machining results |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6517728B2 (en) * | 2016-05-12 | 2019-05-22 | ファナック株式会社 | Device and method for estimating wear amount of check valve of injection molding machine |
JP6756676B2 (en) | 2017-07-27 | 2020-09-16 | ファナック株式会社 | Manufacturing system |
JP7091820B2 (en) * | 2018-05-14 | 2022-06-28 | オムロン株式会社 | Control system, learning data creation device, learning device and judgment device |
CN112262017B (en) * | 2018-06-15 | 2022-12-13 | 三菱电机株式会社 | Machining dimension prediction device, system, and method for machine tool, device abnormality determination device for machine tool, and recording medium |
TWI684080B (en) * | 2018-06-21 | 2020-02-01 | 高聖精密機電股份有限公司 | Smart adjustment system and method thereof |
WO2020012581A1 (en) * | 2018-07-11 | 2020-01-16 | 三菱電機株式会社 | Machine learning device, numerical control machining program generation device, and machine learning method |
JP7225626B2 (en) * | 2018-09-20 | 2023-02-21 | 株式会社ジェイテクト | Learning model generation device, estimation device and operation command data update device for grinding |
JP7441602B2 (en) * | 2018-09-27 | 2024-03-01 | 株式会社ジェイテクト | Machining support system and cutting equipment |
EP3862749A4 (en) * | 2018-10-01 | 2022-07-13 | System Square Inc. | Training data generation device and training data generation program |
WO2020084772A1 (en) * | 2018-10-26 | 2020-04-30 | 三菱電機株式会社 | Numerical value control device and numerical value control method |
JP6599069B1 (en) * | 2018-12-13 | 2019-10-30 | 三菱電機株式会社 | Machine learning device, machining program generation device, and machine learning method |
JP7221725B2 (en) * | 2019-02-21 | 2023-02-14 | 株式会社牧野フライス製作所 | Tool selection method and device, and tool path generation method |
JP6898371B2 (en) * | 2019-02-28 | 2021-07-07 | ファナック株式会社 | Machining condition adjustment device and machining condition adjustment system |
JP6608102B1 (en) * | 2019-03-07 | 2019-11-20 | 三菱電機株式会社 | Machine learning device, numerical control device, abnormality estimation device, and machine tool control system |
JP6949896B2 (en) * | 2019-03-27 | 2021-10-13 | ファナック株式会社 | Grindstone selection device and grindstone selection method |
CN109940458B (en) * | 2019-04-07 | 2021-02-02 | 西北工业大学 | Method for predicting future wear loss of cutter on line |
JP7120958B2 (en) * | 2019-04-19 | 2022-08-17 | ファナック株式会社 | Dressing estimation device and control device |
JP7000376B2 (en) * | 2019-04-23 | 2022-01-19 | ファナック株式会社 | Machine learning equipment, prediction equipment, and control equipment |
JP7074718B2 (en) * | 2019-04-26 | 2022-05-24 | ファナック株式会社 | Machining support device, numerical control device, and machining support system |
DE102019208624A1 (en) * | 2019-06-13 | 2020-12-17 | Deckel Maho Seebach Gmbh | CONTROL DEVICE FOR USE ON A NUMERICALLY CONTROLLED MACHINE TOOL AND MACHINE TOOL WITH A CONTROL DEVICE |
JP7424777B2 (en) * | 2019-09-13 | 2024-01-30 | ファナック株式会社 | Machine learning device, control device, generation method, and control method |
US11609546B2 (en) * | 2019-11-06 | 2023-03-21 | Hexagon Technology Center Gmbh | Systems and methods for virtual environment for reinforcement learning in manufacturing |
JP7328142B2 (en) * | 2019-12-27 | 2023-08-16 | 株式会社日立製作所 | Plant control device and its control method, rolling mill control device and its control method, and program |
CN114902148B (en) * | 2020-01-15 | 2023-08-22 | 三菱电机株式会社 | Numerical control device and numerical control method |
DE112021000809T5 (en) * | 2020-01-31 | 2022-12-15 | Fanuc Corporation | Machine learning device, machine learning prediction, machining state prediction and control device |
JP6833090B2 (en) * | 2020-05-22 | 2021-02-24 | 三菱電機株式会社 | Machine tool machining dimension prediction device, machine tool machining dimension prediction system, machine tool equipment abnormality determination device, machine tool machining dimension prediction method and program |
AT526214A1 (en) * | 2022-05-23 | 2023-12-15 | Fill Gmbh | Optimizing a numerical control of a machine tool |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000198047A (en) | 1999-01-08 | 2000-07-18 | Okuma Corp | Machine tool |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5361308A (en) * | 1992-01-10 | 1994-11-01 | General Motors Corporation | 3-D measurement of cutting tool wear |
JP3694323B2 (en) * | 1996-11-07 | 2005-09-14 | 株式会社森精機製作所 | NC program analysis method and apparatus in NC machining |
JP4583415B2 (en) * | 2007-02-15 | 2010-11-17 | 株式会社神戸製鋼所 | Tool wear prediction method, tool wear prediction program, and tool wear prediction system |
US9851702B2 (en) * | 2010-11-10 | 2017-12-26 | Interactive Machine Systems Pty Limited | Assistance system for steering a machine tool |
JP5860073B2 (en) * | 2014-02-13 | 2016-02-16 | ファナック株式会社 | Numerical control device to prevent erroneous machining after changing machining conditions |
CN105302068B (en) * | 2015-11-12 | 2017-10-20 | 西安交通大学 | A kind of design method for improving machine finish |
-
2016
- 2016-09-06 JP JP2016173761A patent/JP6557198B2/en active Active
-
2017
- 2017-08-29 DE DE102017008158.1A patent/DE102017008158A1/en active Pending
- 2017-08-31 US US15/691,972 patent/US10295986B2/en active Active
- 2017-09-05 CN CN201710791225.7A patent/CN107797516B/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000198047A (en) | 1999-01-08 | 2000-07-18 | Okuma Corp | Machine tool |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019211656A1 (en) * | 2019-08-02 | 2021-02-04 | Siemens Aktiengesellschaft | Determination of the degree of wear of a tool |
EP3825794A1 (en) * | 2019-11-21 | 2021-05-26 | pro-micron GmbH | Method for monitoring and / or predicting machining processes and / or machining results |
WO2021099159A1 (en) * | 2019-11-21 | 2021-05-27 | Pro-Micron Gmbh | Method for monitoring and/or predicting machining processes and/or machining outcomes |
Also Published As
Publication number | Publication date |
---|---|
US10295986B2 (en) | 2019-05-21 |
CN107797516A (en) | 2018-03-13 |
CN107797516B (en) | 2020-04-14 |
JP6557198B2 (en) | 2019-08-07 |
US20180067471A1 (en) | 2018-03-08 |
JP2018041208A (en) | 2018-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017008158A1 (en) | Numerical control | |
DE102018108780B4 (en) | Work surface quality evaluation device | |
DE102014103731B4 (en) | Display device of cutting conditions | |
DE102014003204B4 (en) | A numerical control device for a machine, which has a function of notifying a time for performing an inspection | |
DE102016119973A1 (en) | Tool cleaning device for machine tool | |
DE102018108779A1 (en) | Estimator of an automatic machining error factor | |
DE102015112831B4 (en) | Machining simulation device | |
DE102018006024A1 (en) | Controller and machine learning device | |
DE102016106085A1 (en) | Machine tool management system | |
DE102018108778A1 (en) | Acceleration and deceleration control unit | |
EP3881968A1 (en) | Method for determining the wear state of a tool | |
DE102015104371A1 (en) | Device for correcting a thermal offset for a machine tool | |
DE102019002156A1 (en) | Controller and machine learning device | |
DE102018203280A1 (en) | State diagnostic device | |
EP3970113B1 (en) | Determining the level of wear of a tool | |
DE102019106939A1 (en) | WORKING CONDITION ADJUSTMENT DEVICE AND MACHINE LEARNING DEVICE | |
DE102019001044A1 (en) | CONTROL DEVICE AND MACHINE LEARNING DEVICE | |
DE102019112379A1 (en) | Processing condition adjustment device and machine learning device | |
DE102017101711A1 (en) | Processing time estimator | |
DE102014003429A1 (en) | Crystal phase identification method, crystal phase identification apparatus and crystal phase identification program | |
DE102019115934A1 (en) | EINSTELLERFORDERNIS DETERMINATION DEVICE | |
DE102019001177B4 (en) | Controller, machine learning device and system | |
DE102015011081A1 (en) | Numerical control device | |
DE112016001250T5 (en) | A liquid level measuring method and a liquid level gauge and a machine tool equipped with this liquid level gauge | |
DE102015001578A1 (en) | Numerical control for a machine tool with an efficient regular component inspection function |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |